Redes neuronales artificiales-redes feedfoward

Definiciones Básicas.
2.1 Unidad de Procesamiento.
Una unidad de procesamiento, también llamada nodo o neurona artificial, es el elemento individual de cálculo que forma parte de la mayoría de las arquitecturas de RNAs, su origen ésta inspirado en la estructura biológica y funcionamiento de la célula nerviosa animal o neurona. En adelante se le aplicará simplemente la denominación de unidad.Una unidad realiza un trabajo relativamente simple, ella recibe entradas, por ejemplo[pic], desde su entorno o fuentes externas a través de sus conexiones, tal como se exhibe en la figura 2.1, y las procesa para elaborar una única señal de salida[pic], la cual es propagada a otras unidades en la RNA.
[pic]
Figura 2.1: Unidad de Procesamiento. Por ejemplo: unidad j

Dentro de un modelo de RNAexisten básicamente tres tipos de unidades:
2.1.1 Unidades de entrada, las cuales reciben información desde fuera de la RNA y en conjunto constituyen la capa de entrada a la misma.
2.1.2 Unidades de salida, las cuales envían información hacia fuera de la RNA y en conjunto constituyen la capa de salida desde la misma.
2.1.3 Unidades ocultas, las cuales sus entradas y salidas permanecen dentro de laRNA y en conjunto se constituyen en una o más capas ocultas en el interior de la misma.
2.2 Función de Combinación.
En cada unidad excepto las de entrada se determina un valor de entrada neto o simplemente neto, el cual es por lo común una combinación lineal basada en la información que conllevan todas las conexiones que alimentan dicha unidad.
Según sea la naturaleza del problema bajo estudiocada conexión posee un valor asociado [pic] llamada peso y que es entendido como la intensidad de conexión existente entre la i-ésima unidad y la j-ésima unidad en cuestión. Lo común es calcular el valor del neto adicionando los valores de [pic] ponderados (multiplicados) por los pesos [pic] correspondientes, tal como se observa en la figura 2.1, en que el neto de la j-ésima unidad se puedeescribir en la forma [pic], en donde el índice i recorre todas las conexiones que posea la j-ésima unidad . En la figura 2.1: i = 1,…,E conexiones.
2.3 Función de Activación.
Una vez que el valor del neto ([pic]), de una determinada unidad ha sido calculado se le denomina valor de activación o activación simplemente para ésa unidad, en el caso de la figura 2.1 sería la activación para esa j-ésimaunidad. En la mayoría de los casos la activación y el neto son iguales. Luego se determina un valor de salida tal como[pic]aplicando la función [pic] donde [pic], dicha función es la función de activación para la j-ésima unidad, la cual transforma su valor neto ([pic]) en el valor de salida[pic]; es decir determina el nivel de activación de la j-ésima unidad en términos de la actividad existente ensus entradas [pic] y excepto para las unidades de salida, [pic] es propagado a través de las conexiones a una o más unidades al interior de la RNA. Una función de activación puede ser lineal o no lineal según se desee, por ejemplo para limitar el rango del valor de salida de una unidad, o para modelar mejor, a criterio, el fenómeno bajo estudio.
3. Arquitecturas de Redes Neuronales Artificiales.La arquitectura (configuración) de una RNA, está definida por lo común por el número de capas, el número de unidades por capa, la clase de función de activación de dichas unidades y la manera como se propaga la información en la RNA a través de sus conexiones. En el presente trabajo se hace uso genérico del término información para referir a cualquier forma de señal neuronal implicada en algúnproceso de la RNA.
Existen muchas y muy variadas arquitecturas de RNAs no se sabe exactamente cuantas, nuevas o al menos variantes y combinaciones de las existentes son inventadas apenas aparecen unas. Sin embargo se distinguen principalmente dos clases de arquitecturas:
3.1 Redes de Alimentación hacia delante.
En las RNAs de alimentación hacia adelante (feed-forward networks), el flujo de...